Vous êtes ici : Accueil » Kiosque » Annonce

Identification

Identifiant: 
Mot de passe : 

Mot de passe oublié ?
Détails d'identification oubliés ?

Annonce

29 novembre 2016

Méthodologie de conception d’un classificateur hiérarchique. Application à la classification de pièces de bois en fonction de leur aspect et de la qualité de la finition.


Catégorie : Doctorant


Cette thèse sera réalisée dans le cadre du Projet ANR OPTIFIN porté par le CRITT-Bois en partenariat avec les départements ISET et SBS du CRAN, sous la forme d’un contrat CIFRE. Le projet OPTIFIN, prévu sur 36 mois, regroupe 2 laboratoires (CRAN et LCPME), un centre technique (CRITT Bois) et 2 industriels (BERRY Wood et OGF Industrie). Ilvise à optimiser la finition de pièces de bois (en particulier le chêne) en établissant des classes de rendu après pose d’une finition (vernis, ..). Ces classes seront estimées à partir d'une analyse de l’aspect de surface des pièces de bois avant l'application du produit de finition. Il s’agit donc de développer des méthodes de classification couplant l’imagerie couleur et l’imagerie hyperspectrale proche infrarouge (NIR. La prise en compte des aspects visuels et physicochimiques doit conduire à une méthode d’analyse et de classification à même de prédire la qualité des rendus du bois en temps réel.

 

Le sujet de ce travail de thèse concerne principalement les WorkPackages 1 et 2 du projet OPTIFIN, à savoir la conception de la méthode de classification des pièces de bois avant finition. Elle peut se décomposer en 3 parties :

Un des premiers travaux que devra réaliser l’étudiant sera de participer à l’élaboration du banc de mesures sur lequel seront installés les différents capteurs sélectionnés (Caméra linéaire couleur intelligente, imageur hyperspectral NIR).

Un second aspect concerne la constitution d’une base de données « images » qui doit servir de références à l’étude à partir des lots d’échantillons fournis par les partenaires industriels. Les images de cette base seront doublement étiquetées, à savoir une étiquette « métier » définie a priori avant l’application de la finition et une étiquette « rendu » définie après finition. Une attention particulière sera donnée à la modélisation formelle des connaissances « métier » (méthodologie NIAM reposant sur le formalisme « Object Role Modelling » [Halpin-2006]). Cette étude inclue une dimension subjective qu’implique la définition des étiquettes par un expert [Blaise-2003], [Bombardier-2007], [Almecija-2013]. L’objectif sera de fournir l’ensemble de primitives « visuelles » nécessaires à la classification des types de singularités du bois. Il s’agira d’objectiver l’étiquetage « métiers » en le confrontant à l’étiquetage « rendu » de façon à déterminer où l’imagerie hyperspectrale sera à même d’apporter des informations utiles à la classification.

Le troisième aspect est relatif au développement de la méthode de classification permettant de prendre en compte de façon efficiente les différentes modalités de mesures et satisfaisant aux contraintes industrielles du projet (implantation temps réel). Un accent particulier sera porté aux méthodes hiérarchiques (Arbre de décision, Classificateurs Hiérarchiques, …). Une des difficultés principales sera de proposer une méthode permettant de générer automatiquement l’arborescence, qu’il s’agira d’instancier au cas particulier de l’analyse de texture. Chacun des nœuds de cette arborescence pourra être constitué d’un système de décision propre. On pourra s’appuyer sur les travaux précédemment effectués dans l’équipequi ont fait leur preuve dans des contextes analogues [Bombardier-2010] [Bombardier-2009] où les jeux de données d’apprentissage sont réduits [Wang-2008]. Un des objectifs sera également réduire les dimensions de l’espace de représentation des variables en couplant la sélection de paramètres pertinents [Bombardier-2008] [Belmerhnia-2015&16] avec une structuration hiérarchique du modèle [Horng-2009] [Liu-2014].

Les algorithmes développés précédemment seront appliqués aux données expérimentales venant du banc de mesure. L’interprétation des résultats sera effectuée sous les angles conjoints de l’adéquation aux données d’experts, de l’interprétabilité physico-chimique, de la précision et de la rapidité de traitement. Un guide d’utilisation du logiciel de classification visera à donner les éléments relatifs aux choix des descripteurs et classificateurs et permettant de s’approcher au plus près de l’analyse effectuée par les industriels.

Bibliographie :

Almecija B. (2013), Apports des connaissances métiers pour la conception d’un système multi-capteurs de tri Qualité Billon, PHD of Université de Lorraine, Nancy.

Belmerhnia L., Djermoune E-H, Carteret C., Brie D. (2015), Simultaneous regularized sparse approximation for wood wastes NIR spectra features selection, International Workshop on Computational Advances in Multi-Sensor Adaptive Processing, CAMPSAP 2015, Dec 2015, Cancun, Mexico

Belmerhnia L., Djermoune E-H, Brie D., Carteret C. (2016), A regularized sparse approximation method for hyperspectral image classification, 19th IEEE Workshop on Statistical Signal Processing, SSP 2016, Jun 2016, Palma de Majorque, Spain.

Blaise J.C., Lhoste P., Ciccotelli J., (2003), Formalization of normative knowledge for safe design, Safety Science, 41, 241-261.

Bombardier V., Mazaud C., Lhoste P., Vogrig R. (2007), Contribution of Fuzzy Reasoning Method to knowledge Integration in a wood defect Recognition System, Computers in Industry Journal, 58(4), 355–366.

Bombardier V., Schmitt E., Wendling L. (2008), Improving Fuzzy Rule Classifier by Extracting Suitable Features from Capacities with respect to Choquet Integral, IEEE Trans. on System, Man. and Cybernetics, Part B, Vol 38 n°5, pp 1195-1206.

Bombardier V., Schmitt E., Charpentier P. (2009), A fuzzy sensor for color matching vision system, Measurement, Elseviers, 42 (2), 189-201.

Bombardier V., Schmitt E. (2010), Fuzzy rule classifier: Capability for generalization in wood color recognition, Engineering Applications of Artificial Intelligence, Elseviers, 23 (6), 978-988

Halpin T.A (2006), Object Role Modeling (ORM/NIAM), Handbook on Architectures of Information Systems.

Horng, S.C., and Hsiao, Y.L. (2009). Fuzzy clustering decision tree for classifying working wafers of ion implanter, IEEE International Conference on Industrial Engineering and Engineering Management, 703–707

Liu, Wang, L., Zhang, J., Yin, J., and Liu, H. (2014). Global and Local structure Preservation for Feature Selection, IEEE trans. Neu. net. And learn. Sys., 25 (6).

Wang, F., Man, L., Wang, B., Xiao, Y., Pan, W., Lu, X. (2008) Fuzzy-based algorithm for color recognition of license plates, Pattern Recognition Letters 29, 1007–1020.

Contact :

Vincent Bombardier, vincent.bombardier@univ-lorraine.fr

 

Dans cette rubrique

(c) GdR 720 ISIS - CNRS - 2011-2015.